FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting

要約

時系列予測は、産業機器のメンテナンス、気象、エネルギー消費、交通の流れ、金融投資などのさまざまな分野で重要な役割を果たしています。
ただし、従来の統計的アプローチに比べて大きな利点があるにもかかわらず、現在の深層学習ベースの予測モデルは、予測結果とグランドトゥルースの間に大きな乖離を示すことがよくあります。
この不一致の主な原因は、シーケンスの潜在情報、特に周波数領域内のグローバル情報と異なる変数間の関係の抽出が不十分であることによるものです。
この問題に対処するために、私たちは、マルチスケール シーケンスの適応分解と融合アーキテクチャを使用して時系列を傾向成分と季節成分に分解し、それらを個別に処理する新しいモデル Frequency-domain Attendee In Two Horizo​​ns を提案します。
FAITH は、周波数チャネル特徴抽出モジュールと周波数時間的特徴抽出モジュールを利用して、シーケンス内のチャネル間の関係と時間的なグローバル情報をキャプチャし、長期的な依存関係や複雑なパターンを処理する能力を大幅に向上させます。
さらに、FAITH は時間周波数領域変換方法を変更することで理論的に線形な複雑さを実現し、計算コストを効果的に削減します。
長期予測の 6 つのベンチマークと短期予測の 3 つのベンチマークに関する広範な実験により、FAITH が電力、気象、交通などの多くの分野で既存のモデルを上回るパフォーマンスを示し、長期と短期の両方でその有効性と優位性が証明されました。
時系列予測タスク。
コードとデータは https://github.com/LRQ577/FAITH で入手できます。

要約(オリジナル)

Time Series Forecasting plays a crucial role in various fields such as industrial equipment maintenance, meteorology, energy consumption, traffic flow and financial investment. However, despite their considerable advantages over traditional statistical approaches, current deep learning-based predictive models often exhibit a significant deviation between their forecasting outcomes and the ground truth. This discrepancy is largely due to an insufficient emphasis on extracting the sequence’s latent information, particularly its global information within the frequency domain and the relationship between different variables. To address this issue, we propose a novel model Frequency-domain Attention In Two Horizons, which decomposes time series into trend and seasonal components using a multi-scale sequence adaptive decomposition and fusion architecture, and processes them separately. FAITH utilizes Frequency Channel feature Extraction Module and Frequency Temporal feature Extraction Module to capture inter-channel relationships and temporal global information in the sequence, significantly improving its ability to handle long-term dependencies and complex patterns. Furthermore, FAITH achieves theoretically linear complexity by modifying the time-frequency domain transformation method, effectively reducing computational costs. Extensive experiments on 6 benchmarks for long-term forecasting and 3 benchmarks for short-term forecasting demonstrate that FAITH outperforms existing models in many fields, such as electricity, weather and traffic, proving its effectiveness and superiority both in long-term and short-term time series forecasting tasks. Our codes and data are available at https://github.com/LRQ577/FAITH.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google